如何提升Tesseract v5.1.0的数字识别准确率

你当前执行的命令仅配置了数字白名单，未做识别模式适配、图像预处理和参数调优，针对纯数字识别场景，可按以下优先级调整优化：

• 优先调整页面分割模式（PSM参数）
  Tesseract默认PSM值为3（自动分页检测），针对独立块的单行数字场景适配性很差。根据数字排版情况选择对应PSM参数，优先尝试单行文本模式，修改后命令如下：

  tesseract 146_164.jpg stdout -c tessedit_char_whitelist=0123456789 --psm 7
  

  如果识别结果仍有拆分错误，可依次尝试--psm 6（视为单个统一文本块）、--psm 8（视为单个单词）、--psm 10（视为单个字符，适合数字间距较大的场景）。
• 强制开启纯数字识别模式
  追加参数-c classify_bln_numeric_mode=1，关闭非数字字符的识别逻辑分支，从规则层面减少字母、特殊符号的误判概率。
• 对输入图像做前置预处理
  Tesseract对输入图像质量敏感度极高，你当前出现的数字误判（如把4识别为8、数字序列拆分错位）大概率是图像质量不达标导致，预处理步骤按优先级执行：
  1. 裁剪冗余边距：裁掉数字区域外的多余边框、杂色背景，只保留纯数字区域；
  2. 灰度+二值化处理：将图像转为灰度图后通过阈值调整做二值化，彻底分离数字前景和背景，消除浅噪点、阴影对识别的干扰；
  3. 尺寸校准：将图像中数字的高度调整到30-33像素区间，这是Tesseract识别准确率最高的字符尺寸；
  4. 倾斜矫正：如果数字存在旋转、倾斜，先做水平矫正再输入识别。
     可以直接用ImageMagick批量完成预处理，参考命令：

  convert 146_164.jpg -grayscale Rec709Luminance -threshold 50% -trim +repage -resize x32 preprocessed.jpg
  

  识别时传入处理后的preprocessed.jpg作为输入即可。
• 替换适配场景的训练集
  默认的eng.traineddata通用训练集对特殊字体数字（如七段数码管数字、艺术印刷数字）识别率很低：
  1. 先把默认fast版本的训练集替换为官方best版本的eng训练集，通用场景准确率会有明显提升；
  2. 如果是特定字体的数字（如七段数码管、仪表盘数字），直接替换为对应场景专用的数字训练集，不需要额外调参就能解决大部分误判问题。
• 极端场景优化
  如果以上调整后仍有识别错误，可先通过轮廓检测把每个数字单独切割为单个字符图，再用PSM 10模式逐字符识别，完全避免数字序列拆分错位的问题；如果是固定字体的数字识别场景，拿10-20张同字体样本做少量训练集微调，识别准确率可稳定到99%以上。

内容的提问来源于stack exchange，提问作者Nick_F